机器学习在造口患者管理中应用的范围综述

摘要

背景与目的：随着造口患者数量不断上升，其长期管理需求呈现复杂化趋势。机器学习（ML）因擅长处理多维度临床数据，被逐渐应用于造口患者评估与护理。本研究通过范围综述系统梳理ML在造口领域的应用现状，明确研究热点、性能表现及存在的关键问题，为后续研究和临床转化提供依据。方法：采用澳大利亚乔安娜布里格斯研究所范围综述指南，系统检索中英文数据库建库至2025年4月10日的相关文献。由2名研究者独立筛选、提取及归纳研究特征、ML类型、应用领域、模型预测因子与性能，并使用PROBAST+AI工具评价方法学质量和偏倚风险。结果：共纳入15篇文献，ML在造口领域的应用包括术后并发症预测、疾病预后评估、健康教育、护理知识库构建、卫生经济学分析及身体成分评估等。10项研究共构建40个预测模型，覆盖6类预测因子（人口学、生理/身体状况、手术因素、疾病分期与治疗、造口相关情况、心理社会因素），多数模型在训练集中表现出较高AUC（多数>0.80）。然而，PROBAST+AI评价显示多数模型存在高偏倚风险，尤其在样本量、数据完整性和外部验证不足方面。LLM辅助健康教育显示出提高信息可获得性的潜力，但阅读难度较高且缺乏个性化。经济学研究提示ML有助于优化预防性造口策略并节约成本。结论：ML已在造口患者管理的多环节展现应用价值，尤其在风险预测与临床决策支持方面具有明显优势。但现阶段研究整体方法学质量有待提高，外部验证、模型可解释性与临床可实施性不足仍限制其推广。未来需开展大样本、多中心前瞻性研究，拓展至泌尿造口等更广泛人群，并推动个性化健康教育与智能化护理工具的临床落地。

关键词

肠造口术 / 机器学习 / 预测模型 / 范围综述